10분 만에 랭체인 이해하기 관련

LangChain > Article(s)

---

Article(s)

• 0. 등장 배경
• 1.랭체인의 구성 요소
  • 1) LLM 추상화(Abstraction)
  • 2) 프롬프트(Prompts)
  • 3) 체인(Chains)
  • 4) 인덱스(Indexes)
  • 5) 메모리(Memory)
  • 6) 에이전트(Agents)
• 2. 랭체인으로 할 수 있는 일
  • 1) 요약 기능
  • 2) 챗봇, Q&A
  • 3) 데이터 증강(Augmentation)

---

10분 만에 랭체인 이해하기

시장에는 오픈AI의 챗GPT, 앤트로픽의 클로드, 구글의 제미나이 같은 대표 LLM을 제외하고도 수많은 언어 모델이 거의 매일 새롭게 나타나고 있으며, 각 모델마다 고유한 기능과 전문성을 갖추고 있습니다. 그러다 보니 비즈니스 애플리케이션을 고집하지 않아도 어떤 서비스를 만들고자 할 때, 그 기능 요구 사항에 따라 사용자 쿼리를 해석할 때는 어떤 특정 LLM을 사용하고, 해당 쿼리에 대한 응답을 작성하는 데는 완전히 다른 LLM을 사용하고자 하는 필요성이 생길 수 있습니다. 이럴 땐 어떻게 프로세스 파이프라인을 구축해야 할까요? 이런 워크 프로세스를 요청하는 시나리오가 바로 ‘랭체인(LangChain)’ 탄생에 아이디어를 제공합니다.

이 글을 읽으시기 전에 이전의 글 <10분 만에 RAG 이해하기>를 먼저 읽고 오면 이해에 도움이 됩니다.

---

0. 등장 배경

이미 잘 알고 계시지만, 시장에는 오픈AI의 챗GPT, 앤트로픽의 클로드, 구글의 제미나이, 네이버의 하이퍼클로바X 와 같은 대표 LLM을 제외하고도 수많은 언어 모델이 거의 매일 새롭게 나타나고 있으며 각 모델마다 고유한 기능과 전문성을 갖추고 있습니다. 그러다 보니 비즈니스 애플리케이션을 고집하지 않아도 어떤 서비스를 만들고자 할 때, 그 기능 요구 사항에 따라 사용자 쿼리를 해석할 때는 어떤 특정 LLM을 사용하고, 해당 쿼리에 대한 응답을 작성하는 데는 완전히 다른 LLM을 사용하고자 하는 필요성이 생길 수 있습니다.

이럴 땐 어떻게 프로세스 파이프라인을 구축해야 할까요? 이런 워크 프로세스를 요청하는 시나리오가 바로 ‘랭체인(LangChain)’ 탄생 아이디어를 제공합니다.

그런데 우리 본격적으로 랭체인 이야기를 시작 전에 잠깐만요.

저렇게 여러 복수 시스템이나 백엔드 툴을 이용해야 하는 요구 사항이 발생하는 경우가 LLM이 처음일까요? 그럴 리가요. 이런 경우는 아마 소프트웨어 탄생의 역사와 함께 아주 흔하게 일어났을 겁니다.

30년도 더 된 아주 오래되고 전통적인 예를 들어보겠습니다. 모든 백엔드 시스템에는 데이터를 저장하는 데이터베이스가 있습니다. 그리고 그 데이터베이스를 만들어 판매하는 기업들이 수없이 많았고요. 그런데 데이터베이스에도 각각의 특성과 장점이 있습니다. 오라클 데이터베이스가 탁월한 기능이 있겠지만, SQL 서버가 강한 면이 필요할 수 있습니다. 나의 애플리케이션/서비스가 두 가지 이상의 데이터베이스가 필요할 때, 매번 데이터베이스에 접속하기 위한 커넥터를 새로 만들어야 할까요? 경우에 따라서는 필요할 결정일 수도 있지만, 그렇게 하기엔 너무 큰 비용이 들어갑니다. 전문 개발자가 있어야 하고, 따로 유지, 보수, 관리, 배포하는 일은 큰 오버헤드가 됩니다.

이런 시장의 요청이 ODBC(Open Database Connectivity)와 JDBC(Java Database Connectivity)같이 데이터베이스 관리 시스템에 액세스하기 위한 표준 API 레이어를 세상에 나오게 한 것입니다. 이런 표준 API 레이어는 데이터베이스 시스템 및 운영 체제와는 독립적으로 동작하므로 ODBC/JDBC를 사용하여 작성된 애플리케이션은 데이터 액세스 코드를 거의 변경하지 않고도 클라이언트 및 서버 측의 다른 플랫폼으로 이식할 수 있는 장점이 있습니다.

ODBC 동작 원리

---

랭체인은 LLM을 사용하는 애플리케이션 개발을 위한 오픈소스 프레임워크로, 파이썬(Python)과 자바스크립트(JavaScript) 라이브러리를 제공합니다. 기본적으로 거의 모든 LLM을 위한 일반적인 인터페이스이므로, LLM 애플리케이션을 구축한 다음 통합할 수 있는 중앙 집중식 개발 환경을 갖추고 있습니다.

위에서 예로 설명한 ODBC가 동작하는 개념과 거의 똑같다고 보시면 됩니다.

랭체인은 2022년 10월, 해리슨 체이스가 출시한 이후 깃허브(GitHub)에서 가장 빠르게 성장하는 오픈소스 프로젝트였습니다. 랭체인 안에는 무엇이 있는지 그 구성 요소를 살펴보도록 하겠습니다. 그렇다고 구성 요소로는 무엇 무엇이 있다고 외우는 건 아니겠지요? 어떤 필요성이 있었는지를 알면 자동으로 구성요소는 머릿속에 남아있을 거니, 제 설명을 잘 따라오세요.

---

1.랭체인의 구성 요소

1) LLM 추상화(Abstraction)

랭체인은 추상화라는 것을 통해 LLM 애플리케이션의 프로그래밍을 간소화합니다.

그런데 사실 ‘추상화(abstraction)’란 말이 더 어렵죠? 무슨 뜻일까요?

추상화를 하는 주요 목표는 사용자에게 불필요한 세부 사항을 숨겨 복잡성을 처리하는 것입니다. 이를 통해 사용자는 숨겨진 복잡성을 모두 이해하거나 생각하지 않고도 제공된 추상화 위에서 본인의 로직을 구현할 수 있습니다. 예를 보면 아주 쉽습니다.

여러분의 자동차가 추상화의 가장 좋은 예가 될 겁니다. 자동차는 키를 돌리거나 시동 버튼을 눌러 시동을 걸 수 있습니다. 엔진이 어떻게 동작하는지, 자동차의 다른 부품과 어떻게 연결되는지 알 필요가 없습니다. 자동차 내부 구현과 복잡한 로직은 사용자에게 완전히 숨겨져 있습니다.

여러분의 커피 머신도 추상화의 좋은 예입니다. 원래 한잔의 커피를 마시기 위해서는 물과 원두를 준비하고 원두 가는 정도를 선택해야 합니다. 그런데, 커피 머신은 간단한 인터페이스로 이상적인 물의 온도나 분쇄 커피의 양을 알 필요 없이 신선한 커피를 내려줍니다. 커피 머신의 내부 동작 원리를 사용자는 알 필요가 없는 것입니다.

랭체인의 추상화는 언어 모델을 사용하는 데 필요한 일반적인 단계와 개념을 나타냅니다. 언어 모델(Language Model)을 연결(Chain)하여 애플리케이션을 만들 수 있으므로 복잡한 NLP 작업을 실행하는 데 필요한 코드의 양을 최소화할 수 있습니다. (Language Model + Chain  = LangChain이 된 거죠.)

한 가지 언어 모델을 이해하는 것도 충분히 어렵고 시간도 걸리는데, 여러 가지 언어 모델을 모두 다 공부해야 한다면 미치고 팔짝 뛸 수도 있겠죠. 그걸 간단히 하자고 랭체인의 ‘추상화’가 도입된 것입니다.

그런 만큼 거의 모든 LLM을 랭체인에서 사용할 수 있으며, 표준 인터페이스를 제공하도록 설계되었기에, 접속을 위한 API 키만 있으면 됩니다.

추상화는 사용자의 관점과 관련된 필수적인 세부 사항이 포함됩니다.

2) 프롬프트(Prompts)

두 번째로는 프롬프트가 있습니다. 프롬프트는 LLM에 태스크를 수행하라고 전달하는 명령어입니다.

이건 여러분들도 챗GPT나 그런 도구들 사용해 보았을 테니 뭐 새로운 것도 없지요? 하지만 그런 간단한 프롬프트라면 랭체인이 준비했을 리가 없죠.

랭체인에는 이 명령을 잘 전달하기 위한 프롬프트 템플릿 클래스가 있습니다. 여기서 중요한 말은 **‘템플릿’**이죠. 우리가 문서 템플릿, 파워포인트 템플릿을 사용하는 이유는 무엇인가요? 바로 그 문서 내에 있는 구조화된 스타일을 이용하고 싶은 거 아니겠어요. 바로 그겁니다. 랭체인의 프롬프트는 컨텍스트와 쿼리를 수동으로 작성할 필요 없이 프롬프트의 구성을 구조화해 줍니다.

템플릿은 구조화된 스타일을 사용하기 위함이다.

예를 들어 그 템플릿 안에는 ‘응답에 전문 기술 용어를 사용하지 말고 답하세요’와 같은 지침이 포함될 수 있습니다. 또는 응답을 추가 설명하는 몇 개의 예를 같이 제공하라고 하는, 즉, 퓨-샷(Few-Shot) 프롬프트를 사용할 수도 있습니다. (프롬프트 엔지니어링 기술 중에는 응답에 예를 포함하라 마라를 지정할 수 있는 제로-샷(Zero-shot), 원-샷(One-Shot), 퓨-샷(Few-Shot) 같은 종류가 있답니다.) 또한 출력 형식도 지정할 수 있습니다.

3) 체인(Chains)

‘체인’, 말 그대로 연결 고리를 만드는 것이 랭체인 워크플로우의 핵심입니다.

체인은 LLM을 다른 구성 요소와 결합하여 일련의 태스크를 실행함으로써 애플리케이션을 생성합니다. 예를 들어 특정 웹사이트에서 데이터를 검색한 다음, 검색한 텍스트를 요약하고, 요약된 텍스트를 사용하여 사용자가 제출한 질문에 답해야 하는 애플리케이션이 있다고 가정해 봅시다.

이는 한 태스크의 출력이 다음 태스크의 입력으로 들어가는 순차적 체인이며, 체인의 각 태스크는 서로 다른 프롬프트나 심지어 서로 다른 LLM 모델을 사용할 수도 있습니다. 다른 LLM을 사용하는 것은 1번에서 설명했듯 해당 LLM에 접속하기 위한 키값만 있으면 가능합니다. 그런데, 모든 정보가 LLM에만 있는 것은 아니잖아요? 또한 LLM은 특성 날짜 이후에 업데이트된 데이터는 갖고 있지 않아요. 이 이야기는 지난 글 <10분 만에 RAG 이해하기>에서 RAG를 다루면서 말한 부분인 것 다 기억하시죠? 그래서 랭체인에서는 바로 다음 4번의 인덱스 기능이 필요합니다.

4) 인덱스(Indexes)

이제 특정 작업을 수행하기 위해 애플리케이션/서비스는 자체의 학습 데이터 세트에 포함되지 않은 특정 외부 데이터 소스, 즉 내부 문서나 이메일 같은 것에 액세스해야 할 수 있습니다. 그래야 출처도 확실해지고, 보다 고급∙전문 정보를 가져올 수 있고, 무엇보다 최신 업데이트 정보를 가져올 수 있습니다. 랭체인에서는 이러한 외부 데이터를 총칭하여 인덱스라고 하는데, 그 인덱스 기능을 이루는 요소가 있습니다.

4-1 도큐먼트 로더(Document Loaders)

첫 번째는 도큐먼트 로더입니다. 참고할 정보가 있는 파일을 읽어야 뭘 시작할 수 있겠지요? RAG 글 읽으신 분들은 무슨 말인지 다 아시죠?

이건 파일 저장 서비스와 같은 소스에서 데이터 소스를 가져오기 위한 것입니다. 구글 드라이브, 드롭박스 또는 유튜브의 트랜스크립트와 같은 웹 콘텐츠, 에어테이블이나 노션 문서와 협업 도구, 몽고DB(MongoDB)와 같은 데이터베이스를 예로 들 수 있습니다.

4-2 벡터 데이터베이스(Vector Database)

벡터 데이터베이스로의 접근도 지원합니다. 기존의 관계형 데이터베이스와 달리, 벡터 데이터베이스는 데이터 포인트를 벡터 임베딩이라는 것으로 변환하여 표현합니다. 이는 고정된 수의 차원을 가진 벡터 형태의 수치 표현으로 유사성을 나타내기에 매우 효율적인 검색(retrieval) 수단으로 사용됩니다. 제가 왜 검색을 search라고 이야기하지 않고, retrieval이라고 기술했는지 역시, RAG 글 읽으신 분들은 다 아실 겁니다.

4-3 텍스트 스플리터(Text Splitters)

텍스트를 원하는 방법과 매개 변수를 사용하여 의미 있는 작은 덩어리로 분할/결합할 수 있는 텍스트 스플리터도 매우 유용합니다. 이렇게 분할 결합할 수 있어야 답을 줄 때 요약 정리를 깔끔하게 할 수 있겠지요.

한 번 이 부분을 RAG 워크프로세스에 대입해 보면 그림이 이렇게 그려질 듯합니다. 어렵지 않죠?

랭체인으로 구성한 RAG 워크 프로세스

5) 메모리(Memory)

매우 중요한 기능입니다. 메모리란 사용자가 LLM과 프롬프트 기반의 ‘대화’를 하는 동안 사용자의 정보를 포함하여 주요 사실을 기억하고 향후 상호 작용에 해당 정보를 적용할 수 있다는 뜻입니다. 즉, 내가 누구인지, 대화의 문맥을 기억하고 이해하면서 대화를 한다는 뜻입니다. 이런 기능이 챗GPT와 같은 인공지능을 훨씬 더 인간지능처럼 유용하게 만들 수도 있고, 혹은 스카이넷처럼 완전히 무섭게 만들 수도 있죠.

기본적으로 LLM은 입력으로 채팅 기록을 전달하지 않는 한 이전 대화에 대한 장기적인 메모리를 가지고 있지 않지만, 랭체인은 애플리케이션에 메모리를 추가하는 방법으로 이 문제를 해결합니다. 두 가지 옵션을 제공하는데, 지금까지의 대화 전체를 기억하는 옵션과 지금까지의 대화 요약만 기억하는 요약 옵션입니다.

좀 더 똑똑해지는 기억력을 부여하는 메모리

6) 에이전트(Agents)

마지막 구성 요소, 에이전트 서비스입니다. 가장 쉽게 이해할 수 있는 에이전트 서비스는 챗봇입니다. 많은 사이트에서, 많은 앱에서 이미 도입해서 사용하고 있습니다. 서비스 챗봇은 LLM에 있는 정보보다는 내부 정보, 고객 정보들에 훨씬 더 유용하게 동작해야 합니다.

랭체인의 에이전트는 LLM과 다른 데이터 소스 등 도구 두 가지 이상을 조합하여 사용이 가능합니다. 선택한 LLM을 추론 엔진으로 사용하여 어떤 작업을 수행할지 결정할 수 있습니다. 에이전트를 구축할 때는 에이전트가 사용 가능한 도구 목록, 프롬프트 및 쿼리와 같은 사용자 입력, 이전에 실행된 기타 관련 단계 등을 입력으로 제공할 수 있습니다.

보다 개인화된 서비스 제공을 위해 여러 데이터 소스와 도구를 사용하는 에이전트

---

지금까지 랭체인의 구성 요소들을 알아보았습니다. 이해하는 데 큰 어려움은 없었죠?

시간이 지남에 따라 이 구성 요소들의 깊이가 깊어지고, 구성 요소가 더 많아질 수도 있습니다. 그렇지만 늘 개념 정리가 잘 되어 있는 상태라면 이해하는 데 큰 무리는 없으실 겁니다. 구성 요소를 다음 그림으로 정리해 볼게요.

랭체인 구성도

---

2. 랭체인으로 할 수 있는 일

랭체인의 구성 요소를 살펴보았으니 이 구성 요소를 갖고 할 수 있는 일을 생각해 볼까요? 이미 여러분은 다 알고 계실 겁니다.

1) 요약 기능

요약 기능이 필요한 곳이라면 어디에나 랭체인을 적용할 수 있겠죠. 프롬프트 템플릿을 사용하여 복잡한 학술 논문이나 자료를 분석하는 것부터 이메일의 요점만 제공하는 것까지 다양한 유형의 텍스트를 요약하는 작업을 수행할 수 있습니다.

2) 챗봇, Q&A

랭체인은 챗봇 사용에 대한 적절한 컨텍스트를 제공하며 챗봇을 기존 커뮤니케이션 채널과 워크플로우에 통합하는 데 사용할 수 있습니다. 또한 특정 문서나 전문 지식을 기반으로 저장소에서 관련 정보를 검색하고 유용한 답변을 제공할 수 있습니다. 거기에 맥락을 기억하는 메모리까지 이용하면 더욱 강력한 개인화 기능을 제공할 수 있을 겁니다.

3) 데이터 증강(Augmentation)

RAG를 다루면서 다 이해한 내용이죠? 전문 데이터를 이용하여 보다 정확하고 최신의 데이터를 제공하는 것뿐만 아니라, 머신러닝을 위한 합성 데이터를 생성하는 데에도 사용할 수 있습니다.

이 외에도 랭체인의 에이전트를 이용하여 다음 단계를 결정하고 진행하는 프로세스 오토메이션을 구축할 수도 있습니다.

랭체인은 오픈 소스이며 무료로 사용할 수 있습니다. REST API로 체인을 생성하기 위한 랭서브(LangServe)라는 모듈도 있고요. 애플리케이션을 모니터링, 평가, 디버깅하는 도구를 제공하는 랭스미스(LangSmith)와 같은 프레임워크도 있습니다.

랭체인의 도구와 API가 LLM을 사용하는 애플리케이션을 구축하는 프로세스를 간소화시켜 준다는 사실을 이해했으면 잘 소화한 겁니다. 여기까지 읽고 이해하느라 고생 많으셨습니다. 또 다음 글에서 뵐게요.

원문

10분 만에 랭체인(LangChain) 이해하기

이 글을 읽으시기 전에 이전의 글 <10분 만에 RAG 이해하기>를 먼저 읽고 오시면 지금 이 글의 이해에 도움이 됩니다. 0. 등장 배경 이미 잘 알고 계시지만, 이미 시장에는 OpenAI의 ChatGPT, 앤쓰로픽의 끌로드, 구글의 제미나이, 네이버의 하이퍼클로바X 와 같은 대표 LLM을 제외하고도 수많은 언어모델이 거의 매일 새롭게 나타나고 있으며 각

10분 만에 랭체인 이해하기

---

시장에는 오픈AI의 챗GPT, 앤트로픽의 클로드, 구글의 제미나이 같은 대표 LLM을 제외하고도 수많은 언어 모델이 거의 매일 새롭게 나타나고 있으며, 각 모델마다 고유한 기능과 전문성을 갖추고 있습니다. 그러다 보니 비즈니스 애플리케이션을 고집하지 않아도 어떤 서비스를 만들고자 할 때, 그 기능 요구 사항에 따라 사용자 쿼리를 해석할 때는 어떤 특정 LLM을 사용하고, 해당 쿼리에 대한 응답을 작성하는 데는 완전히 다른 LLM을 사용하고자 하는 필요성이 생길 수 있습니다. 이럴 땐 어떻게 프로세스 파이프라인을 구축해야 할까요? 이런 워크 프로세스를 요청하는 시나리오가 바로 ‘랭체인(LangChain)’ 탄생에 아이디어를 제공합니다.